本发明公开了一种面向类别不对称跨域光谱图像的地物分类方法，属于光谱图像地物分类技术领域，本发明方法通过两个阶段的网络训练，实现了不同领域特征的有效对齐。第一阶段，预训练一个神经网络，并构建类别内聚损失函数与预测损失函数，旨在提取源域的类间关系，随后计算源域的类别中心，为后续步骤提供基础。第二阶段，训练一个主神经网络，针对源域和目标域共同拥有的对称类别，构建样本对齐损失函数与类别对齐损失函数，以确保两域之间的样本分布和类别中心相互对齐；针对源域存在而目标域缺失的不对称类别，通过构建特征对齐损失函数，使主神经网络提取的特征与预训练神经网络提取的特征相互对齐。最后将目标域测试集送入训练好的主神经网络中，从而获得目标域数据集的分类标签。在公开跨地域光谱数据集上的实施结果表明，与现有方法相比，该方法分类精度更高，性能更加稳健。